GPU의 역사를 한눈에: 성능을 바꿔온 그래픽카드들을 데이터로 살펴보기

왜 지금 GPU 역사를 돌아봐야 할까요?

요즘 개발자라면 GPU라는 단어를 매일 접하게 되죠. AI 모델 훈련, 추론, 심지어 데이터베이스 가속까지 — GPU가 안 쓰이는 곳을 찾기가 더 어려운 시대예요. 그런데 이 GPU라는 물건이 어떻게 여기까지 오게 됐는지, 전체 흐름을 한눈에 본 적 있으신가요?

최근 공개된 "Every GPU That Mattered"라는 인터랙티브 데이터 시각화 프로젝트가 바로 이 질문에 답해주고 있어요. 역사적으로 의미 있었던 GPU들을 시간 축 위에 펼쳐놓고, 각각의 성능 지표와 아키텍처 변화를 직관적으로 비교할 수 있게 만든 프로젝트거든요.

단순 스펙표가 아닌, 흐름이 보이는 시각화

이 프로젝트가 흥미로운 건 단순히 GPU 스펙을 나열한 게 아니라는 점이에요. 각 세대별로 "왜 이 GPU가 중요했는지"를 맥락과 함께 보여주거든요. 예를 들어 NVIDIA의 GeForce 256은 1999년에 나왔는데, 이게 "세계 최초의 GPU"라는 마케팅 문구를 달고 나온 제품이에요. 그 전까지는 그래픽 가속기(graphics accelerator)라고 불렀는데, GPU라는 용어 자체를 NVIDIA가 이때 만들어낸 거죠.

그 뒤로 ATI(지금의 AMD)와의 경쟁, 프로그래머블 셰이더의 등장, 그리고 CUDA가 나오면서 GPU가 그래픽 렌더링 전용에서 범용 연산(GPGPU) 장치로 변모하는 과정이 쭉 이어져요. 이게 뭐냐면, 원래 GPU는 화면에 삼각형을 빠르게 그리는 게 전부였는데, 2006년쯤부터 "이 수천 개의 코어로 행렬 연산도 할 수 있지 않나?"라는 아이디어가 나온 거예요. 그게 지금 AI 시대의 기반이 된 거고요.

특히 트랜지스터 수, 메모리 대역폭, 연산 성능(FLOPS) 같은 핵심 지표들이 세대별로 어떻게 뛰었는지를 시각적으로 비교할 수 있어서, 무어의 법칙이 GPU 세계에서는 어떻게 적용됐는지 체감할 수 있어요. 2012년 AlexNet이 ImageNet 대회에서 우승하면서 딥러닝 붐이 시작됐을 때 사용된 GPU가 GTX 580 두 장이었는데, 지금 H100 한 장의 성능과 비교하면 그 격차가 수백 배를 넘거든요.

NVIDIA, AMD, 그리고 새로운 도전자들

GPU 역사를 이야기할 때 빠질 수 없는 건 NVIDIA와 AMD(구 ATI)의 경쟁 구도예요. 한때 ATI의 Radeon 시리즈가 게이밍 시장에서 NVIDIA를 압도하던 시절도 있었거든요. 하지만 CUDA 생태계를 일찌감치 구축한 NVIDIA가 AI/ML 시장에서 사실상 독점적 위치를 차지하게 됐죠.

요즘은 여기에 새로운 플레이어들이 등장하고 있어요. 구글의 TPU는 2015년부터 자체 AI 칩을 만들어왔고, 애플의 M 시리즈 칩은 통합 메모리 아키텍처로 GPU 메모리 병목을 다른 방식으로 풀고 있어요. AMD도 ROCm 생태계를 밀어붙이면서 CUDA 독점에 균열을 내려 하고 있고요. 최근에는 국내에서도 리벨리온, 퓨리오사AI 같은 AI 반도체 스타트업들이 NPU(신경망 처리 장치) 개발에 뛰어들면서 판도가 점점 복잡해지고 있어요.

한국 개발자에게 이게 왜 중요할까요?

"나는 웹 개발자인데 GPU가 뭔 상관이야"라고 생각하실 수도 있는데, 요즘은 그렇지 않아요. LLM을 로컬에서 돌리려면 GPU VRAM이 얼마나 필요한지 알아야 하고, AI 기능을 서비스에 넣으려면 어떤 GPU 인스턴스를 써야 비용 대비 효율이 좋은지 판단해야 하거든요. 클라우드에서 A100을 쓸지 H100을 쓸지, 아니면 AMD MI300X가 더 나은지 — 이런 판단을 하려면 각 GPU의 아키텍처 차이와 성능 특성을 이해해야 해요.

또 하나, GPU 아키텍처의 발전 방향을 알면 앞으로의 기술 트렌드를 읽는 데 도움이 돼요. 최근 GPU들은 단순 연산 성능보다 메모리 대역폭과 인터커넥트(GPU끼리 데이터를 주고받는 속도)에 집중하고 있거든요. 이건 AI 모델이 점점 커지면서 "계산 속도"보다 "데이터를 얼마나 빨리 가져올 수 있느냐"가 병목이 되고 있기 때문이에요.

이 시각화 프로젝트를 한번 훑어보시면, GPU라는 하드웨어가 게이밍 장난감에서 현대 컴퓨팅의 핵심 인프라로 변모한 30년의 여정을 10분 만에 훑을 수 있어요. 특히 데이터 시각화에 관심 있는 분들에게는 인터랙티브 차트 구현 방식 자체도 참고할 만하고요.

정리하자면

GPU의 역사는 곧 현대 컴퓨팅 패러다임의 변화 역사예요. 그래픽 렌더링에서 범용 연산으로, 그리고 AI 시대의 핵심 인프라로 — 이 흐름을 이해하면 지금 왜 모든 빅테크가 AI 칩에 수십조 원을 쏟아붓고 있는지가 자연스럽게 보이거든요.

여러분은 요즘 어떤 GPU 환경에서 개발하고 계신가요? 로컬 머신에서 모델을 돌려보시는 분들은 어떤 GPU를 쓰고 계신지, 그리고 클라우드 GPU 비용 관리는 어떻게 하고 계신지 경험을 나눠주시면 좋겠어요.